BAB IV HASIL PENELITIAN DAN PEMBAHASAN
B. Analisis Data
1. Asumsi Klasik
Sebelum melakukan pengujian hipotesis yang diajukan dalam penelitian perlu dilakukan Pengujian asumsi klasik pada regresi berganda. Agar regresi berganda dapat digunakan, maka terdapat kriteria-kriteria dalam uji klasik,yaitu:
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah regresi variabel independen atau keduanya mempunyai distribusi normal atau tidak mempunyai distribusi normal. Model regresi yang baik adalah memiliki data normal atau mendekati data normal. Salah satu motode untuk mengetahui normalitas adalah dengan menggunakan metode analisis grafik, baik dengan melihat grafik secara histogram maupun dengan melihat secara Normal Probability Plot. Uji grafik histogram digunakan untuk menunjukkan bahwa variabel cenderung normal atau tidak. Jika garis tengah atau titik nol dari diagram hampir mendekati tengah maka variabel cenderung normal.
Gambar 4.1 Grafik Histogram
Pada gambar diatas diketahui bahwa grafik histogram menunjukkan bahwa variabel cenderung normal dikarenakan garis tengah atau titik nol dari diagram hampir mendekati tengah.
Uji normalitas P-P Plot of Regression Standardized Residual Menurut Gujarti dkk dalam Juliandi dan Irfan (2014, hal. 160) dasar pengambilan keputusan normal atau tidaknya suatu distribusi dengan grafik normal P-P Plot of Regression Standardized Residual yaitu :
a) Apabila ada (titik-titik) yang menyebar disekitar garis diagonal, maka regresi memenuhi asumsi normalitas.
b) Apabila data menyebar dari garis diagonal dan tidak mengikuti garis diagonal, maka regresi tidak memenuhi asumsi normalitas.
Berdasarkan hasil transformasi data, penelitian melakukan uji normalitas dengan hasil sebagai berikut :
Gambar 4.2 Grafik Normal P-Plot
Pada gambar diatas diketahui bahwa hasil dari uji normalitas data menunjukkan penyebaran titik-titik data cenderung mendekati garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. Hal ini menyimpulkan bahwa metode regresi berdistibusi normal dan layak untuk dianalisis.
Uji Kolmogorov Smirnov (K-S) Menurut Juliandi dan Irfan (2014, hal. 161) kriteria pengujian untuk menentukan normal atau tidaknya data, maka dapat dilihat pada nilai probabilitasnya. Data normal, jika nilai Kolmogorov Smirnov adalah normal, jika nilai Kolmogorov Smirnov adalah tidak signifikan (Asymp.
Sig (2-tailed)>α0,05). Adapun data hasil pengujian Kolmogorov Smirnov adalah sebagai berikut :
Dari tabel dibawah dapat diketahui bahwa nilai Kolmogorov Smirnov terdistribusi secara normal karena memiliki tingkat signifikan diatas 0,05. Nilai variabel yang telah di memenuhi standar yang telah di tetapkan dapat dilihat dari baris Asymp. Sig(2-tailed). Dari tabel tersebut terdapat nilai Asymp. Sig (2- tailed) sebesar 0,384
Gambar 4-3 Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 50
Normal Parametersa Mean .0000000
Std. Deviation 1.22679057E3
Most Extreme Differences Absolute .250
Positive .250
Negative -.112
Kolmogorov-Smirnov Z 1.768
Asymp. Sig. (2-tailed) .384
a. Test distribution is Normal.
b. Uji Multikolinearitas
Multikolinieritas digunakan untuk menguji apakah pada model regresi ditemukan adanya korelasi yang kuat antar variabel independen. Multikolinieritas terjadi karena adanya hubungan linier diantara variabel-variabel bebas (X) dalam model regresi.
1) Bila VIF > 10, maka terdapat multikolinieritas 2) Bila VIF < 10, berarti tidak dapat multikolinieritas 3) Bila Tolerance > 0,1 maka tidak terjadi multikolinieritas 4) Bila Tolerance < 0,1 maka terjadi multikolinieritas Hasil dari uji multikolinearitas dapat dilihat pada tabel berikut :
Tabel 4.7
Hasil Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 954.375 350.847 2.720 .009
ROE 27.762 20.454 .224 1.357 .181 .616 1.623
ROA 70.642 42.662 .288 1.656 .105 .557 1.794
DER -98.603 97.834 -.137 -1.008 .319 .912 1.096
DAR -245.078 316.342 -.113 -1.775 .443 .784 1.276
a. Dependent Variable: Harga Saham
Dari tabel di atas menunjukkan hasil uji multikolinearitas bahwa nilai VIF dan nilai tolerance untuk masing-masing variabel sebagai berikut :
1) Nilai tolerance Return On Equity sebesar 0,616 > 0,1 dan nilai VIF sebesar 1,623 < 10 maka variabel Return On Assets dinyatakan bebas dari multikolinearitas.
2) Nilai tolerance Return On Asset sebesar 0,557 > 0,1 dan nilai VIF sebesar 1,794 <10 maka variabel Return On Equity dinyatakan bebas multikolinearitas.
3) Nilai tolerance Debt to Equity Ratio sebesar 0,912 > 0,1 dan nilai VIF sebesar 1,096 <10 maka variabel Return On Equity dinyatakan bebas multikolinearitas.
4) Nilai tolerance Debt to Total sebesar 0,784 > 0,1 dan nilai VIF sebesar 1,276 <10 maka variabel Return On Equity dinyatakan bebas multikolinearitas.
Dengan demikian dapat disimpulkan bahwa dalam penelitian ini tidak terjadi gejala multikolinearitas antara variabel independen (bebas).
c. Uji Heterokedastisitas
Heterokedastisitas digunakan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dan residual satu pengamatan yang lain. Jika varian residual dari satu pengamanan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
a. Jika ada pola tertentu, seperti titik yang membentuk pola yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
b. Jika ada pola yang jelas, serta titik-titik menyebar di atas dan bahwa angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Berdasarkan grafik Scatterplot dibawah terlihat bahwa tidak ada pola yang jelas dan titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini mengindikasikan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk melihat Harga Saham perusahaan Logam yang terdaftar di Bursa Efek Indonesia
berdasarkan masukan variable independen Return On Equity, Return On Asset, Debt To Equity Ratio dan Debt to Total Asset Ratio.
Gambar 4-4
Hasil Uji Heterokedastisitas
Sumber : Hasil Pengolahan Data Spss
d. Uji Autokorelasi
Autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada kolerasi antara kesalahan penganggu pada periode ke T dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada masalah autokorelasi. Model regresi yang baik adalah bebas dari autokorelasi. Menurut Juliandi (2015, hal 158) salah satu cara mengidentifikasinya adalah dengan melihat nilai Durbin Watson (D-W). Dalam hal ini ketentuannya adalah :
2) Jika nilai D-W diantara -2 sampai +2 berarti tidak ada autokorelasi 3) Jika nilai D-W diatas +2 berarti ada autokorelasi negative
Tabel 4-8 Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .493a .243 .176 1280.154 1.684
a. Predictors: (Constant), DAR, ROE, DER, ROA b. Dependent Variable: Harga Saham
Sumber : Hasil Pengolahan Data Spss
Dari hasil tabel diatas diketahui bahwa nilai Durbin-Watson yang didapat sebesar 1.684 yang berarti kriteria kedua sehingga dapat disimpulkan bahwa model regresi bebas dari masalah autokorelasi.